弱监督方法通常基于分类网络生成的注意力图来产生定位结果。然而，这些注意力图仅突出显示了目标物体最具区分性的部分，这些部分往往较小且分布稀疏。为此，我们提出生成自产引导（Self-produced Guidance, SPG）掩模，以分离前景（即感兴趣的物体）和背景，为分类网络提供像素的空间相关性信息。我们提出了一种分阶段的方法，通过结合高置信度的目标区域来学习SPG掩模。在注意力图中利用高置信度区域逐步学习SPG掩模。然后，这些掩模作为辅助的像素级监督信息，促进分类网络的训练。我们在ILSVRC数据集上进行了大量实验，结果表明SPG在生成高质量的目标定位图方面是有效的。特别是，所提出的SPG在ILSVRC验证集上达到了43.83%的Top-1定位错误率，这是目前最新的最佳错误率。